WO2011018578A1 - Procédé d'approximation de variables météorologiques - Google Patents

Procédé d'approximation de variables météorologiques Download PDF

Info

Publication number
WO2011018578A1
WO2011018578A1 PCT/FR2010/051686 FR2010051686W WO2011018578A1 WO 2011018578 A1 WO2011018578 A1 WO 2011018578A1 FR 2010051686 W FR2010051686 W FR 2010051686W WO 2011018578 A1 WO2011018578 A1 WO 2011018578A1
Authority
WO
WIPO (PCT)
Prior art keywords
variable
indices
europe
temperature
anomalies
Prior art date
Application number
PCT/FR2010/051686
Other languages
English (en)
Inventor
Martin Fischer
Original Assignee
Metnext
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Metnext filed Critical Metnext
Publication of WO2011018578A1 publication Critical patent/WO2011018578A1/fr

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology

Definitions

  • the invention relates to a method for approximating a weather variable such that, for example, the temperature at any point in a region of the world, such as Europe for example, from a small number of indicators obtained in this region.
  • the first three or four major components account for a large percentage, for example 80%, of the total variance of the data.
  • the optimal choice to define linear indices best suited to measure the evolution of all data would be therefore to use the first N main components.
  • the object of the invention is in particular to provide a simple and effective solution to this problem.
  • a meteorological variable such as, for example, the temperature in a region of the world, for example in Europe, characterized in that it consists of:
  • an anomaly of a variable is the difference between an actual value of this variable and the climatological value (the climatological value being the normal value for the period considered, determined from the statements of the values of the variable previously made).
  • the groups of locations correspond to the geographical zones having the highest amplitudes in the first principal components of the aforementioned analysis.
  • the first main component comprises a single pole or monopole
  • the second and third main components are dipoles.
  • the center of variability of the monopoly structure is Central Europe.
  • the centers of the dipole corresponding to the second main component are Eastern Europe on the one hand and South-West Europe plus the Mediterranean West on the other, and the centers of activities corresponding to the third main component are the Mediterranean Basin and North West Europe.
  • the selected locations are the cities of Nuremberg in Germany (Central Europe), Leba in Tru (Eastern Europe), Vigo in Spain (South West Europe). and Mediterranean West), Amsterdam in the Netherlands (North West Europe) and Pescara in Italy (Mediterranean Basin).
  • the vector (tanoi, ..., tano ⁇ ) contains the temperature anomalies in the five selected locations - Nuremberg, Vigo, Pescara, Leba, Amsterdam (in that order), "A” is a 5 x 3 dimensional matrix that contains the weights, and the vector (ind1, ind2, ind3) contains the three indices computed for a given moment.
  • A being a matrix of dimension mx n.
  • Column n of matrix A contains the weights to compute the index n from the data in the m locations.
  • the weighting coefficients of the indices that are used to approximate a temperature or anomaly of temperature at any point in a region are calculated by multi-step regression.
  • the principal component analysis is performed on daily data and on monthly data of temperature anomalies.
  • the invention also proposes temperature indices which are determined by execution of the method described above and which are intended for an estimation of the temperature or a temperature anomaly at any point in Europe, these temperature indices. characterized in that they are three in number and include:
  • the first step 10 of the method according to the invention is to record temperatures and / or temperature anomalies at different points in the region. For example, measurements can be made regularly in about 90 weather stations in Europe.
  • step 12 of the above according to the invention consists of a principal component analysis of all the temperature and temperature anomalies that were found in step 10.
  • the first main component represents about 73% of the total temperature variation in Europe, whereas the second component The main component represents 5.7% of this total variance, the third main component represents 4.7% of this total variance and the fourth main component 3.3% of this total variance, when the analyzes concern daily temperatures. If the analyzes are made on monthly temperatures, the corresponding values for the first four main components are respectively 89.5%, 3.7%, 2.5% and 1, 1%.
  • the first main component is 51.9% of the total variance
  • the second main component is 10.1% of this variance
  • the third major component at 8.8%
  • the fourth largest component at 4.9% of the total variance.
  • the first three main components of monthly temperature anomalies account for about 86% of the total temperature variance in Europe.
  • step 14 of the method according to the invention consists in grouping meteorological stations having similar behaviors in terms of temperature variations or variations of the meteorological anomalies and selecting in each group a meteorological station which will be the representative of the group considered to obtain a minimum number of stations characterizing the temperature models in Europe.
  • the geographic areas of these five groups are those with the highest amplitudes of the first three major components:
  • the Mediterranean basin corresponds to the maximum of the third main component
  • first principal component is a monopole (all the elements of the first principal component have the same sign) while the second and third principal component are dipoles (each dipole being defined by two associated regions, the signs of the elements of each of these principal components being opposed).
  • the next step 18 of the method according to the invention consists in defining temperature indices as weighted averages of the temperatures or anomalies of the temperatures or standardized anomalies of the temperatures at the selected locations which will represent, in a simplified way, modes of variation of temperature. in the aforementioned groups. Simplified indices must show a high correlation with the time series of the principal component analysis, the correlations between the indices must be weak and the three vectors formed by the weights of each index must be orthogonal or almost orthogonal.
  • the vector (tanoi, ..., tano ⁇ ) contains the temperature anomalies in the five selected locations, Nuremberg, Vigo,
  • A is a 5 x 3 matrix containing the weights, and the vector (ind1, ind2, ind3) contains the three indices calculated for a given moment.
  • the index ind1 measures the large-scale temperature anomaly in Europe.
  • the ind2 index measures the North-East / South-West temperature gradient and therefore the importance of the second main component of the temperature anomalies.
  • the index ind3 measures the importance of the third main component.
  • indices according to the invention make it possible to estimate temperature anomalies and complete temperatures or total temperatures throughout Europe. Indices can have positive or negative values. Temperatures at any point in Europe can be represented by a linear combination of these three indices, with a weighting of each index.
  • the weights (or weights) for each index and for a specific location can be calculated from a multivariate regression. They have constant values over time, which can be positive or negative.

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Procédé d'approximation d'une variable météorologique telle que la température en tout point d'une région du monde, à partir d'un petit nombre d'indicateurs obtenus dans cette région, ce procédé comprenant une analyse (12) en composantes principales des données météorologiques récupérées dans un nombre important de stations de la région, une définition (18) d'indices qui sont des moyennes pondérées des données dans un faible nombre de stations et qui montrent une forte corrélation avec les séries temporelles des premières composantes principales, les corrélations entre les indices étant faibles et les vecteurs formés avec des poids pour calculer les indices étant orthogonaux ou presque orthogonaux, et une approximation (20) des valeurs de la variable météorologique par une combinaison linéaire pondérée de ces indices.

Description

Procédé d'approximation de variables météorologiques
L'invention concerne un procédé d'approximation d'une variable météorologique telle par exemple que la température en tout point d'une région du monde, telle que l'Europe par exemple, à partir d'un petit nombre d'indicateurs obtenus dans cette région.
Lorsqu'il faut traiter un grand nombre de variables aléatoires, il est connu d'utiliser une méthode mathématique d'analyse en composantes principales (ou empiήcal orthogonal functions EOF en anglais), cette méthode consistant à rechercher dans un espace multidimensionnel des directions qui représentent au mieux des covahances entre les variables.
Si l'on applique cette méthode au traitement de données telles que des variables météorologiques (température, vitesse du vent, précipitations, ...) relevées en un grand nombre de points dans une région donnée, par exemple dans plusieurs dizaines de stations météorologiques installées en Europe, sur une période de temps comprenant un grand nombre de mesures, par exemple de plusieurs dizaines à plusieurs centaines, on obtient des composantes principales dont la première explique la plus grande partie de la vahance de l'ensemble des données qu'on peut exprimer par une seule combinaison linéaire des données. La deuxième composante principale explique la deuxième plus grande partie de la variance des don nées, et ainsi de su ite . Les N prem ières composantes principales expliquent donc la plus grande partie de la variance de l'ensemble des données que l'on peut exprimer par N combinaisons linéaires des données.
Dans le cas des données météorologiques, on constate souvent que les trois ou quatre premières composantes principales expliquent un pourcentage important, par exemple 80%, de la variance totale des données. Le choix optimal pour définir des indices linéaires les mieux adaptés pour mesurer l'évolution de l'ensemble des données serait donc d'utiliser les N premières composantes principales. Il serait toutefois en pratique trop compliqué d'utiliser ces composantes principales comme indices pour approximer une température ou une autre variable météorologique en un point quelconque d'une région. Cette approche nécessiterait l'utilisation des données d'un grand nombre, par exemple de plusieurs dizaines ou centaines, de stations météorologiques de cette région.
L'invention a notamment pour but d'apporter une solution simple et efficace à ce problème.
Elle propose à cet effet un procédé d'approximation d'une variable météorologique, telle par exemple que la température, dans une région du monde, par exemple en Europe, caractérisé en ce qu'il consiste :
à relever et à enregistrer des valeurs de cette variable et/ou des anomalies de cette variable sur une ou sur des périodes données en un certain nombre d'emplacements de cette région et à effectuer une analyse en composantes principales des valeurs enregistrées de cette variable et/ou des anomalies de cette variable ;
à identifier à partir des résultats de cette analyse des groupes d'emplacements dans lesquels les variations des valeurs de la variable ont un comportement similaire, et à choisir un emplacement dans chaque groupe de façon que les valeurs de la variable à cet emplacement représentent une approximation des composantes principales de l'analyse précitée en un nombre minimal d'emplacements ; et
- à approximer une valeur de la variable ou une anomalie de la variable en un point quelconque de la région considérée par une combinaison linéaire pondérée d'indices, ces indices étant des moyennes pondérées des valeurs de la variable aux emplacements choisis de sorte que les indices montrent une bonne corrélation avec les séries temporelles de l'analyse en composantes principales, que les corrélations entre les indices sont faibles et que les vecteurs formés par les poids utilisés pour chaque indice sont orthogonaux ou presque orthogonaux. Ces critères garantissent que les indices représentent une bonne approximation des premières composantes principales, l'invention permettant ainsi :
- d'approximer la valeur de la variable météorologique et/ou une anomalie de cette variable en un point quelconque de la région au moyen d'une combinaison linéaire pondérée d'indices,
- de déterminer ou d'estimer très rapidement avec une bonne précision une valeur ou une anomalie d'une variable météorologique en un point quelconque d'une région considérée à partir d'un nombre minimal d'indices pondérés (ce nombre étant de 3 pour toute l'Europe si l'invention est appliquée aux anomalies de température),
- de surveiller ou quantifier les variations de cette variable dans une région du monde, par exemple l'Europe, en mesurant uniquement un très petit nombre d'indices.
Par définition, une anomalie d'une variable est la différence entre une valeur réelle de cette variable et la valeur climatologique (la valeur climatologique étant la valeur normale pour la période considérée, déterminée à partir des relevés des valeurs de la variable précédemment effectués).
Selon une autre caractéristique de l'invention, les groupes d'emplacements correspondent aux zones géographiques ayant les amplitudes les plus élevées dans les premières composantes principales de l'analyse précitée.
Dans le cas des températures, une analyse en composantes principales des anomalies de température journalières et mensuelles en Europe permet d'aboutir à la structure suivante :
- la première composante principale comprend un pôle unique ou monopôle,
- les deuxième et troisième composantes principales sont des dipôles. En Europe, le centre de variabilité de la structure monopole est l'Europe centrale. Les centres du dipôle correspondant à la deuxième composante principale sont l'Europe de l'Est d'une part et l'Europe du Sud- Ouest plus l'Ouest méditerranéen d'autre part, et les centres d'activités correspondant à la troisième composante principale sont le bassin méditerranéen et le Nord-Ouest européen.
Si l'analyse est appliquée aux anomalies des températures en Europe, les emplacements choisis sont les villes de Nuremberg en Allemagne (Europe centrale), Leba en Pologne (Europe de l'Est), Vigo en Espagne (Sud-Ouest de l'Europe et de l'Ouest méditerranéen), Amsterdam aux Pays-Bas (Nord-Ouest de l'Europe) et Pescara en Italie (bassin méditerranéen).
Les indices se calculent de la manière suivante : (ind1 , ind2, ind3) = (tanoi , tano2, ..., tano5) * A
Le vecteur (tanoi , ..., tanoδ) contient les anomalies de température dans les cinq emplacements choisis - Nuremberg, Vigo, Pescara, Leba, Amsterdam (dans cet ordre ), « A » est une matrice de dimensions 5 x 3 qui contient les poids, et le vecteur (ind1 , ind2, ind3) contient les trois indices calculés pour un moment donné. En général, si « n » indices ind1 , ..., indn doivent être calculés à partir de « m » séries temporelles ts1 , ... tsm en « m » emplacements, la formule est : (ind1 , .... indn) = (ts1 , ... tsm) * A
A étant une matrice de dimension m x n. La colonne n de la matrice A contient les poids pour calculer l'indice n à partir des données dans les m emplacements. Les coefficients de pondération des indices qui sont utilisés pour approximer une température ou une anomalie de température en un point quelconque d'une région sont calculés par régression multivahée.
Dans un mode de réalisation particulier de l'invention, l'analyse en composantes principales est effectuée sur des données journalières et sur des données mensuelles d'anomalies de température.
Pour calculer des indices à partir des anomalies des températures journalières, les composantes de la matrice A sont :
[,l] [,2] [,3]
[1,] -0.12025594 0.10184922 0.01330028
[2,] -0.02738203 0.11979894 0.18362434
[3,] -0.05001196 0.12851656 -0.29182618
[4,] -0.08329636 -0.33201439 -0.02303887
[5,] -0.09309122 0.06122933 0.10620130 Pour calculer les indices à partir des données mensuelles normalisées (variance = 1 ), les composantes de la matrice A sont :
Ml [,2] [,3]
[1,] -0.19551935 0.2798633 -0.10141862
[2,] -0.04701654 0.4602554 -0.29874588
[3,] -0.11156334 0.2875479 0.61925407
[4,] -0.18758694 -0.6903224 -0.02383865
[5,] -0.15033798 0.1400668 -0.20446550
L'invention propose également des indices de température qui sont déterminés par exécution du procédé décrit ci-dessus et qui sont destinés à une estimation de la température ou d'une anomalie de température en un point quelconque de l'Europe, ces indices de température étant caractérisés en ce qu'ils sont au nombre de trois et comprennent :
- une moyenne pondérée des anomalies de température selon les coefficients de la première colonne de la matrice A ; une moyenne pondérée des anomalies de température selon les coefficients de la deuxième colonne de la matrice A et
une moyenne pondérée des anomalies de température selon les coefficients de la troisième colonne de la matrice A.
L'invention sera mieux comprise et d'autres caractéristiques, détails et avantages de celle-ci apparaîtront plus clairement à la lecture de la description qui suit, faite à titre d'exemple en référence au dessin annexé, qui représente un organigramme des principales étapes du procédé selon l'invention.
L'exemple de réalisation qui va maintenant être décrit concerne l'approximation des températures et des anomalies de température en un point quelconque d'Europe pendant une période donnée, allant par exemple du mois d'octobre au mois d'avril de l'année suivante.
La première étape 10 du procédé selon l'invention consiste à relever les températures et/ou les anomalies de température en différents points de la région considérée. On peut par exemple utiliser pour cela des mesures effectuées de façon régulière dans environ 90 stations météorologiques situées en Europe.
L'étape suivante 12 du précédé selon l'invention consiste en une analyse en composantes principales de l'ensemble des températures et anomalies de température qui ont été relevées à l'étape 10.
Si l'on effectue une analyse en composantes principales des températures sur la période octobre-avril entre janvier 2003 et fin avril 2009, on constate que la première composante principale représente environ 73 % de la vahance totale des températures en Europe, que la deuxième composante principale représente 5,7 % de cette vahance totale, que la troisième composante principale représente 4,7 % de cette variance totale et la quatrième composante principale 3,3 % de cette variance totale, lorsque les analyses portent sur les températures journalières. Si les analyses sont faites sur des températures mensuelles, les valeurs correspondantes pour les quatre premières composantes principales sont respectivement de 89,5 %, 3,7 %, 2,5 % et 1 ,1 %.
On arrive sensiblement aux mêmes structures de schémas dominants pour l'analyse mensuelle et pour l'analyse journalière.
Lorsque l'analyse en composantes principales est faite sur les valeurs enregistrées des anomalies de température sur la période octobre- avril, la première composante principale correspond à 51 ,9 % de la variance totale, la deuxième composante principale à 10,1 % de cette variance totale, la troisième composante principale à 8,8 % et la quatrième composante principale à 4,9 % de la variance totale.
Dans le cas des analyses mensuelles, les valeurs correspondantes sont de 69,4 % pour la première composante principale, 10,7 % pour la deuxième composante principale, 5,8 % pour la troisième composante principale et 4,1 % pour la quatrième composante principale.
Les trois premières composantes principales des anomalies de température mensuelle représentent environ 86 % de la variance totale des températures en Europe.
Ces différentes analyses donnent des résultats tout à fait cohérents : en hiver, la variabilité maximale est dans le sud de l'Allemagne et en Pologne. Les deuxième et troisième composantes principales montrent des structures en dipôles avec un gradient principal orienté du
Sud-Ouest au Nord-Est et du Sud-Est au Nord-Ouest, respectivement.
L'étape suivante 14 du procédé selon l'invention consiste à regrouper les stations météorologiques ayant des comportements similaires en termes de variations de températures ou de variations des anomalies de te m pératu re et à sélectionner dans chaque groupe une station météorologique qui sera la représentante du groupe considéré pour obtenir un nombre minimal de stations caractérisant les modèles de température en Europe. On peut ainsi identifier cinq groupes d'emplacements, qui correspondent globalement aux composantes principales précitées (étape 16) :
- le Sud-Ouest de l'Europe et l'Ouest méditerranéen, comprenant l'Espagne, le Portugal et le Sud-Ouest de la France;
le bassin méditerranéen, comprenant l'Italie et le Sud-Est de la France ;
le Nord-Ouest de l'Europe comprenant l'Angleterre, les Pays-Bas, la Belgique et le Nord de la France ;
- l'Europe centrale, comprenant l'Allemagne et l'Est de la
France ;
l'Europe de l'Est, comprenant la Pologne et l'Est de l'Allemagne.
Les zones géographiques de ces cinq groupes sont celles qui ont les amplitudes les plus élevées des trois premières composantes principales :
le Sud-Ouest de l'Europe et l'Ouest méditerranéen correspondent au maximum de la deuxième composante principale ;
le bassin méditerranéen correspond au maximum de la troisième composante principale ;
le Nord-Ouest de l'Europe correspond au maximum de la troisième composante principale ;
l'Europe centrale correspond au maximum de la première composante principale ;
- l'Europe de l'Est correspond au maximum de la deuxième composante principale.
Ce groupement est cohérent avec le fait que la première composante principale est un monopôle (tous les éléments de la première composante principale ont le même signe) tandis que la deuxième et la troisième composante principale sont des dipôles (chaque dipôle étant défini par deux régions associées, les signes des éléments de chacune de ces composantes principales étant opposés).
L'étape suivante 18 du procédé selon l'invention consiste à définir des indices de température comme des moyennes pondérées des températures ou des anomalies des températures ou des anomalies normalisées des températures aux emplacements choisis qui vont représenter de façon simplifiée des modes de variation de température dans les groupes précités. Les indices simplifiés doivent montrer une haute corrélation avec les séries temporelles de l'analyse en composantes principales, les corrélations entre les indices doivent être faibles et les trois vecteurs formés par les poids de chaque indice doivent être orthogonaux ou presque orthogonaux.
Selon l'invention, ces indices sont les suivants : (ind1 , ind2, ind3) = (tanoi , tano2, ..., tano5) * A
Le vecteur (tanoi , ..., tanoδ) contient les anomalies des températures dans les cinq emplacements choisis, Nuremberg, Vigo,
Pescara, Leba, Amsterdam (dans cet ordre), A est une matrice de dimensions 5 x 3 qui contient les poids, et le vecteur (ind1 , ind2, ind3) contient les trois indices calculés pour un moment donné.
Pour calculer des indices à partir des anomalies de température journalières, les composantes de la matrice A sont : [ , 1] [ , 2] [ , 3]
[1,] -0.12025594 0.10184922 0.01330028
[2,] -0.02738203 0.11979894 0.18362434
[3,] -0.05001196 0.12851656 -0.29182618
[4,] -0.08329636 -0.33201439 -0.02303887
[5,] -0.09309122 0.06122933 0.10620130 Pour calculer les indices à partir des anomalies de température mensuelles, les composantes de la matrice A sont :
Ml [ , 2] [ , 3]
[1,] -0.19551935 0.2798633 -0.10141862
[2,] -0.04701654 0.4602554 -0.29874588
[3,] -0.11156334 0.2875479 0.61925407
[4,] -0.18758694 -0.6903224 -0.02383865
[5,] -0.15033798 0.1400668 -0.20446550
Ces trois indices permettent de mesurer l'importance des modes spatiaux dominants de température en Europe. On peut ainsi couvrir avec ces trois indices de température des anomalies de température en tout point de l'Europe.
L'utilisation des anomalies de température, à la place des températures totales, rend ces indices universels en Europe. Ils sont aussi bien adaptés pour les pays très froids tels que la Pologne par exemple, que pour les pays ayant des hivers relativement doux, tels que l'Espagne ou l'Italie.
L'indice ind1 mesure l'anomalie de température à grande échelle en Europe.
L'indice ind2 mesure le gradient de température Nord- Est/Sud-Ouest et donc l'importance de la seconde composante principale des anomalies de température.
L'indice ind3 mesure l'importance de la troisième composante principale.
Les indices selon l'invention permettent d'estimer des anomalies de température et des températures complètes ou températures totales sur toute l'Europe. Les indices peuvent avoir des valeurs positives ou négatives. Les températures en un point quelconque de l'Europe peuvent être représentées par une combinaison linéaire de ces trois indices, avec une pondération de chaque indice.
Les poids (ou coefficients de pondération) pour chaque indice et pour un emplacement spécifique peuvent être calculés à partir d'une régression multivariée. Ils ont des valeurs constantes dans le temps, qui peuvent être positives ou négatives.

Claims

REVENDICATIONS
1. Procédé d'approximation d'une variable météorologique telle que par exemple la température dans une région du monde, par exemple en Europe, caractérisé en ce qu'il consiste :
à relever et à enregistrer des valeurs de cette variable et/ou des anomalies de cette variable sur une ou sur des périodes données en un certain nombre d'emplacements de cette région et à effectuer une analyse en composantes principales des valeurs enregistrées de cette variable et/ou des anomalies de cette variable ;
à identifier à partir des résultats de cette analyse des groupes d'emplacements dans lesquels les variations des valeurs de la variable ont un comportement similaire, et à choisir un emplacement dans chaque groupe de façon que les valeurs de la variable à cet emplacement représentent une approximation des composantes principales de l'analyse précitée en un nombre minimal d'emplacements ; et
- à approximer une valeur de la variable ou une anomalie de la variable en un point quelconque de la région considérée par une combinaison linéaire pondérée d'indices, ces indices étant des moyennes pondérées des valeurs de la variable aux emplacements choisis de sorte que les indices montrent une bonne corrélation avec les séries temporelles de l'analyse en composantes principales, que les corrélations entre les indices sont faibles et que les vecteurs formés par les poids utilisés pour chaque indice sont orthogonaux ou presque orthogonaux.
2. Procédé selon la revendication 1 , caractérisé en ce que les groupes d'emplacements correspondent aux zones géographiques ayant les amplitudes les plus élevées dans les premières composantes principales de l'analyse précitée.
3. Procédé selon la revendication 1 ou 2, caractérisé en ce que la première composante principale comprend un pôle unique.
4. Procédé selon l'une des revendications précédentes, caractérisé en ce que les deuxième et troisième composantes principales sont des dipôles.
5. Procédé selon l'une des revendications 1 à 4, caractérisé en ce que pour les anomalies de température en Europe, les emplacements choisis sont au nombre de cinq et sont situés à Nuremberg (Europe centrale), Vigo (Sud-Ouest de l'Europe et Ouest méditerranéen), Pescara (bassin méditerranéen), Leba (Europe de l'Est) et Amsterdam (Nord-Ouest de l'Europe).
6. Procédé selon la revendication 5, caractérisé en ce que les indices de température en Europe pour les emplacements choisis sont des moyennes pondérées des anomalies de température selon la formule
(ind1, ind2, ind3) = (tanoi, .... tano5)*A
A étant une matrice dont les composantes sont, pour des anomalies normalisées de température journalières:
[,l] [,2] [,3]
[1,] -0.12025594 0.10184922 0.01330028
[2,] -0.02738203 0.11979894 0.18362434
[3,] -0.05001196 0.12851656 -0.29182618
[4,] -0.08329636 -0.33201439 -0.02303887
[5,] -0.09309122 0.06122933 0.10620130 et sont, pour des anomalies de température mensuelles :
[,l] [,2] [,3]
[1,] -0.19551935 0.2798633 -0.10141862
[2,] -0.04701654 0.4602554 -0.29874588
[3,] -0.11156334 0.2875479 0.61925407
[4,] -0.18758694 -0.6903224 -0.02383865
[5,] -0.15033798 0.1400668 -0.20446550
7. Procédé selon l'une des revendications précédentes, caractérisé en ce que les coefficients de pondération des indices utilisés pour déterminer une valeur de la variable ou une anomalie de la variable en u n point q uelconq ue de l 'Europe sont calculés par régression multivahée.
8. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'analyse en composantes principales est effectuée sur des données journalières et sur des données mensuelles des anomalies de la variable.
9. Indices de température, déterminés par exécution du procédé selon l'une des revendications précédentes et destinés à une estimation de la température ou d'une anomalie de température en un point quelconque de l'Europe, caractérisés en ce qu'ils sont au nombre de trois et comprennent des moyennes pondérées des anomalies de température avec des poids positifs et/ou négatifs de sorte que les indices obtenus montrent une forte corrélation avec les séries temporelles de l'analyse en composantes principales, que les corrélations entre les indices sont faibles et que les vecteurs formés par les poids sont orthogonaux ou presque orthogonaux.
PCT/FR2010/051686 2009-08-13 2010-08-10 Procédé d'approximation de variables météorologiques WO2011018578A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0903951A FR2949157A1 (fr) 2009-08-13 2009-08-13 Procede d'approximation de variables meteorologiques
FR0903951 2009-08-13

Publications (1)

Publication Number Publication Date
WO2011018578A1 true WO2011018578A1 (fr) 2011-02-17

Family

ID=42072940

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2010/051686 WO2011018578A1 (fr) 2009-08-13 2010-08-10 Procédé d'approximation de variables météorologiques

Country Status (2)

Country Link
FR (1) FR2949157A1 (fr)
WO (1) WO2011018578A1 (fr)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2818840A1 (fr) * 2013-06-28 2014-12-31 Probayes Système de prédiction de température
EP3413099A1 (fr) * 2017-06-09 2018-12-12 HERE Global B.V. Procédé et appareil pour fournir un indice de volatilité météorologique
CN111815041A (zh) * 2020-06-28 2020-10-23 青岛哈船海智科技有限公司 一种基于改进eof的海水温度场预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424917B1 (en) * 2000-02-08 2002-07-23 Surveillance Data Inc. Weather typing system and method with spatial synoptic classification by sliding seed days
US7069258B1 (en) * 2002-09-26 2006-06-27 Bothwell Phillip D Weather prediction method for forecasting selected events
US7249007B1 (en) * 2002-01-15 2007-07-24 Dutton John A Weather and climate variable prediction for management of weather and climate risk
JP2008058109A (ja) * 2006-08-30 2008-03-13 Central Res Inst Of Electric Power Ind 観測データ推定方法及び観測データ推定プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424917B1 (en) * 2000-02-08 2002-07-23 Surveillance Data Inc. Weather typing system and method with spatial synoptic classification by sliding seed days
US7249007B1 (en) * 2002-01-15 2007-07-24 Dutton John A Weather and climate variable prediction for management of weather and climate risk
US7069258B1 (en) * 2002-09-26 2006-06-27 Bothwell Phillip D Weather prediction method for forecasting selected events
JP2008058109A (ja) * 2006-08-30 2008-03-13 Central Res Inst Of Electric Power Ind 観測データ推定方法及び観測データ推定プログラム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2818840A1 (fr) * 2013-06-28 2014-12-31 Probayes Système de prédiction de température
WO2014207396A1 (fr) * 2013-06-28 2014-12-31 Probayes Systeme de prediction de temperature
FR3007850A1 (fr) * 2013-06-28 2015-01-02 Probayes Systeme de prediction de temperature
EP3413099A1 (fr) * 2017-06-09 2018-12-12 HERE Global B.V. Procédé et appareil pour fournir un indice de volatilité météorologique
US10459120B2 (en) 2017-06-09 2019-10-29 Here Global B.V. Method and apparatus for providing a weather volatility index
CN111815041A (zh) * 2020-06-28 2020-10-23 青岛哈船海智科技有限公司 一种基于改进eof的海水温度场预测方法

Also Published As

Publication number Publication date
FR2949157A1 (fr) 2011-02-18

Similar Documents

Publication Publication Date Title
Scherrer et al. Ecological indicator values reveal missing predictors of species distributions
Vertessy et al. Relationships between stem diameter, sapwood area, leaf area and transpiration in a young mountain ash forest
Ruiz‐Arias et al. A comparative analysis of DEM‐based models to estimate the solar radiation in mountainous terrain
Ferreras et al. Systematic variation of the stellar initial mass function with velocity dispersion in early-type galaxies
Marshall et al. Modelling the Galactic interstellar extinction distribution in three dimensions
Peper et al. Comparison of five methods for estimating leaf area index of open-grown deciduous trees
Esper et al. Quaternary surface water temperature estimations: New diatom transfer functions for the Southern Ocean
Eicker et al. Daily GRACE satellite data evaluate short-term hydro-meteorological fluxes from global atmospheric reanalyses
CN108414455B (zh) 用于农业保险理赔的农作物雹灾遥感监测方法
CN114091613A (zh) 一种基于高分联合组网数据的森林生物量估算方法
Pouteau et al. Accounting for the indirect area effect in stacked species distribution models to map species richness in a montane biodiversity hotspot
Turchi et al. Forecasting surface-layer atmospheric parameters at the Large Binocular Telescope site
US11379742B2 (en) Method for predictive soil mapping based on solar radiation in large flat area
WO2011018578A1 (fr) Procédé d'approximation de variables météorologiques
Musonda et al. Long-term spatial and temporal variations of aerosol optical depth during 2000–2020 over Zambia, southcentral Africa
Xiaopeng et al. Comparison of ArcGIS and SAS geostatistical analyst to estimate population-weighted monthly temperature for US counties
He Application of generalized cauchy process on modeling the long-range dependence and self-similarity of sea surface chlorophyll using 23 years of remote sensing data
Surer et al. Evaluating the utility of the EUMETSAT HSAF snow recognition product over mountainous areas of eastern Turkey
Perraut et al. Benchmarking the fundamental parameters of Ap stars with optical long-baseline interferometric measurements
Mesquita et al. New results on the mid-latitude midnight temperature maximum
Lee et al. Korean fog probability retrieval using remote sensing combined with machine-learning
Kandirmaz et al. Daily global solar radiation mapping of Turkey using Meteosat satellite data
Gu et al. Assessing factors influencing vegetation coverage calculation with remote sensing imagery
Liang et al. An evaluation of fractal characteristics of urban landscape in Indianapolis, USA, using multi-sensor satellite images
Colmanetti et al. Aboveground biomass and carbon of the highly diverse Atlantic Forest in Brazil: comparison of alternative individual tree modeling and prediction strategies

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10761033

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10761033

Country of ref document: EP

Kind code of ref document: A1